[发明专利]一种基于正则化集合度量学习的遥感图像分类方法及系统

说明书

技术领域

本发明涉及遥感图像处理技术领域，特别涉及一种基于正则化集合度量学习的遥感图像分类方法及系统。

背景技术

高光谱遥感图像分类广泛应用于农作物分析、矿物辨识、湖泊湿地分类和土地利用/覆盖分类等领域。传统的基于光谱分类方法，未考虑空间邻域像素的相关性，应用于高光谱遥感图像分类时，效果欠佳。基于光谱—空间域联合分类方法，是提升高光谱遥感图像分类性能的有效途径。

目前，常用的光谱—空间域联合分类方法，主要有以下三类：第一类，在光谱分类之前利用空间域信息进行特征提取，代表性方法为形态学轮廓方法；第二类，同时利用空间域信息和光谱信息进行联合分类，代表性方法为组合核分类方法；第三类，在光谱分类之后利用空域信息进行后处理，代表性方法为基于图像分割的方法。

以上分类方法，其本质都是寻求一种合理有效的相似性度量，实现准确的目标分类。光谱分类方法是基于光谱相似性度量进行分类；光谱—空间域联合分类方法是同时考虑光谱相似性和空间域相似性，其试图描述邻域像素所构成的局部像素集合之间的某种相似性；但，由于直接度量像素集合之间的相似性较困难，通常基于像素点或特征向量进行分类，即用像素点替代像素集合，其不能充分地描述高光谱遥感图像局部同源区域之间的结构相似性。

发明内容

本发明目的是提供一种基于正则化集合度量学习的遥感图像分类方法，解决现有技术中存在的上述问题。

本发明解决上述技术问题的技术方案如下：

一种基于正则化集合度量学习的遥感图像分类方法，包括如下步骤：

步骤1，输入待分类的高光谱遥感图像，划分训练样本和测试样本；

步骤2，基于训练样本，学习得降维矩阵，并对所述高光谱遥感图像进行维数约简，得低维高光谱遥感图像；

步骤3，分别建立每个训练样本和每个测试样本在所述低维高光谱遥感图像上的训练像素集合和测试像素集合；

步骤4，基于所述训练像素集合，学习得正则化集合度量矩阵；

步骤5，基于所述正则化集合度量矩阵，计算每个测试像素集合与各训练像素集合之间的集合距离，基于集合距离对每个测试像素集合对应的测试样本进行分类。

本发明的有益效果是：对待分类的高光谱遥感图像进行维数约简，在降维的低维高光谱遥感图像上，构建空间域局部训练像素集合和测试像素集合，基于训练像素集合，学习得到描述集合到集合距离的正则化集合度量矩阵，并计算测试像素集合与各训练像素集合之间的集合距离，实现对测试样本的分类；面向高光谱遥感图像光谱和空间域特征，构建具有更好目标特征承载能力的局部同源像素集合，开展像素集合到像素集合的正则化集合度量学习与分类，直接度量像素集合之间的相似性，有效利用高光谱遥感图像数据的多重空谱特征，即光谱、空间形状和纹理特征等，得到准确可靠的度量关系和分类结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤2包括如下步骤：

步骤21，根据预设像素邻域窗口，按如下第一公式计算每个训练样本的局部像素距离散度矩阵，按如下第二公式计算全部训练样本的局部像素邻域保持矩阵。

所述第一公式如下：

所述第二公式如下：

其中，所述x_i为训练样本i对应的列向量，i∈{1,2,3……n}，n为训练样本的总数；x_ik为训练样本i的邻域像素ik对应的列向量，k∈{1,2,3……s}，s为训练样本i的邻域像素的总数；所述ω_k为训练样本i与其邻域像素ik之间的光谱和空间域距离关系权重。

步骤22，按如下第三公式计算全部训练样本的总散度矩阵。

所述第三公式如下：

其中，所述m＝(x₁+x₂+…+x_n)/n。

步骤23，按如下第四公式学习得降维矩阵。

所述第四公式如下：

V＝[v₁ v₂ … v_d]

其中，所述d为所述低维高光谱遥感图像的维数，所述v₁ v₂ … v_d分别为Sv＝λHv的前d个最大广义特征值λ所对应的特征向量v。

步骤24，将所述高光谱遥感图像与所述降维矩阵相乘，得所述低维高光谱遥感图像。